Page 44 - «СИНЕРГИЯ В НАУКЕ» Сборник статей Международной научно-практической конференции 18 марта 2025 г. Часть 1

Международная научно-практическая конференция

УДК 004.032.2

Аяхам Ахмад
Ayham Ahmad
Кубанский государственный технологический университет
Kuban State Technological University
Краснодар, Россия
Krasnodar, Russia

ОБЗОР СЕТЕЙ LSTM И GRU

A REVIEW OF LSTM AND GRU NETWORKS

Аннотация: Статья анализирует архитектуры LSTM и GRU для обработки
последовательных данных. Актуальность темы обусловлена потребностью в

эффективных методах моделирования временных зависимостей при
ограниченных ресурсах и шуме. Описаны механизмы работы, вычислительная

сложность и устойчивость моделей. Научная новизна заключается в уточнении
различий между LSTM и GRU, их преимуществ при обработке зашумленных

данных и влияния гиперпараметров на производительность. LSTM лучше для
сложных зависимостей, GRU — для задач реального времени. Статья предлагает

рекомендации по выбору архитектуры.
Abstract: This article examines LSTM and GRU architectures for sequential

data processing. The topic’s relevance stems from the need for efficient temporal
dependency modeling under limited resources and noise. It details their mechanisms,

computational complexity, and robustness. The scientific novelty lies in clarifying
differences between LSTM and GRU, their advantages with noisy data, and the impact

of hyperparameter tuning on performance. LSTM excels in complex dependencies,
while GRU suits real-time tasks. The study offers guidance for architecture selection.

Ключевые слова: Рекуррентные нейронные сети (RNN), LSTM, GRU,
Моделирование последовательностей, Анализ временных рядов.

Key words: Recurrent Neural Networks (RNN), LSTM, GRU, Sequence
Modeling ,Time Series Analysis.

Долгая краткосрочная память (Long Short Term Memory)

Hochreiter and Schmidhuber (1997) [1] предложили конкретную
модель RNN, названную «Долгая краткосрочная память» (LSTM), для

44